OmniVoice-Studio入门指南

OmniVoice Studio是一款以本地运行为核心理念的开源语音AI桌面应用。与ElevenLabs等云端服务不同，所有处理都在用户自己的硬件上完成，无需API密钥，无使用次数限制，数据绝不离开设备。该项目自称“ElevenLabs的开源替代品”，且语言支持数量惊人：ElevenLabs支持32种语言，而OmniVoice Studio支持646种。

该应用基于Tauri框架构建，后端为FastAPI，提供97个API端点，持久化状态存储在SQLite中。AI管线由四大开源组件驱动：WhisperX负责转录，Demucs进行人声分离，OmniVoice（来自k2-fsa）实现零样本扩散文本转语音，Pyannote处理说话人分割。启动时自动检测GPU并相应调用CUDA、MPS、ROCm或CPU。

系统要求：最低8GB RAM、4GB VRAM（不足时TTS自动卸载至CPU）、10GB磁盘空间。推荐16GB+ RAM、8GB+ VRAM（如NVIDIA RTX 3060+）。无需GPU也可运行，但TTS合成速度约慢3倍。Apple Silicon Mac是无需GPU用户的最佳选择，应用会自动利用MLX优化的Whisper和TTS后端。

安装指南：

• macOS：需安装Python 3.11+、Bun、Xcode Command Line Tools及FFmpeg。克隆仓库后执行bun install和bun run desktop-prod。首次启动会下载约2.4GB的模型权重。预构建DMG用户若遇到Gatekeeper警告，可通过xattr -cr命令解除隔离。
• Windows：需Windows 10 21H2+或Windows 11、Python 3.11+、Microsoft C++ Build Tools、Bun及FFmpeg。同样克隆并运行bun run desktop-prod。若首次TTS合成时出现显存不足（OOM），可在设置中禁用torch.compile或设置环境变量TORCH_COMPILE_DISABLE=1。
• Linux（Debian/Ubuntu）：安装Python、Bun、FFmpeg及GTK/WebKit依赖。Fedora用户需安装相应包。克隆后运行相同命令。预构建AppImage可能出现白屏问题，设置WEBKIT_DISABLE_COMPOSITING_MODE=1可解决。Docker用户可仅运行后端API。

Hugging Face令牌：对于说话人分割和大型语音设计引擎，需免费注册Hugging Face并获取读取令牌。可通过应用内设置或环境变量HF_TOKEN配置。还需在Hugging Face模型页面接受pyannote/speaker-diarization-3.1的使用条款。

语音克隆：核心功能，由k2-fsa的OmniVoice模型驱动。无需微调，只需提供3-10秒清晰参考音频。在“Voice Clone”选项卡中，可录制或上传音频，模型即时适应说话人声音。